API de voz a texto

Una sola API para transcripción, traducción, subtítulos y análisis

La mayoría de las API de reconocimiento de voz se quedan en el texto en bruto, mientras que la API de Sonix devuelve una transcripción ya estructurada para lo que usted construya a continuación.

Cada una de las funciones siguientes es un endpoint documentado, así que la transcripción que obtenga puede convertirse en subtítulos, una traducción, un clip de audio editado o un resumen sin salir de la API.

Transcripción por lotes

Envíe un archivo con POST a /v1/media, o pase un file_url para cualquier archivo de más de 100MB, y Sonix lo transcribe de forma asíncrona. Indique el idioma, añada keywords para orientar el reconocimiento hacia nombres y jerga, adjunte custom_data con sus propios ID y facilite un callback_url para que Sonix avise a su servidor en cuanto el trabajo termine o falle. Las grabaciones con cada hablante aislado en un canal propio pueden usar el endpoint multipista para detectar a los hablantes por canal.

Traducción

Cuando una transcripción está completa, envíe con POST un código de idioma de destino a su endpoint de traducciones y Sonix devuelve una transcripción traducida a cualquiera de 54+ idiomas. Los endpoints de transcripción aceptan un parámetro de idioma, así que un archivo SRT en español de una entrevista en inglés es una sola petición GET en cuanto termina la traducción.

Subtítulos

Los endpoints de SRT y VTT devuelven archivos de subtítulos con controles de presentación reales: max_characters y max_duration limitan cada subtítulo, subtitle_lines fija una o dos líneas y speaker_display decide cómo aparecen los nombres de los hablantes. El endpoint de división reparte toda una transcripción en subtítulos bajo un límite de velocidad de lectura max_cps, y el endpoint de incrustación graba los subtítulos en el propio video con la fuente, el tamaño, el color y la relación de aspecto que usted elija, incluidos 9:16 y 1:1 para formatos sociales.

Exportaciones y datos estructurados

Obtenga cualquier transcripción en JSON con tiempos de inicio y fin para cada palabra y etiquetas de hablante, como texto plano, como documento de Word o PDF listo para compartir, como SRT o VTT, o como archivo Avid DS para editores de video. El endpoint de exportación multimedia va un paso más allá: recorta el propio audio o video para dejar solo sus fragmentos destacados, o elimina todo lo que usted haya tachado, en MP3, WAV o MP4.

Análisis con IA

El endpoint de resúmenes analiza una transcripción terminada: un resumen con el número de frases que usted elija, capítulos, sentimiento, análisis temático y de temas, extracción de entidades o una instrucción personalizada propia, como "Escribe 5 tuits promocionales para este pódcast".

Callbacks y webhooks

Sin bucles de sondeo. Los trabajos de transcripción y de resumen aceptan un callback_url, y Sonix envía con POST el estado del trabajo a esa dirección cuando termina o falla. Para equipos que automatizan a gran escala, los planes Pro y Enterprise añaden webhooks de eventos: suscríbase a transcripción terminada, traducción terminada, cambios de etiquetas y carpetas y redacción aplicada, cada uno firmado con HMAC-SHA256 en una cabecera X-Webhook-Signature para que su servidor pueda verificar que cada payload procede de Sonix.

Streaming en tiempo real

Para subtítulos en directo y voz a texto de baja latencia, Sonix ofrece una API de streaming sobre WebSocket, en acceso anticipado para equipos enterprise; solicite el acceso en la página de transcripción en tiempo real. La transcripción por lotes ya está totalmente documentada y disponible en autoservicio.

Del archivo de audio a la transcripción en tres llamadas a la API

Autentíquese con un token Bearer en https://api.sonix.ai/v1, envíe el archivo y obtenga la transcripción en el formato que necesite.

Envíe el archivo

Envíe el archivo multimedia como multipart form data con su idioma, un nombre y, opcionalmente, keywords y custom_data:

curl -XPOST https://api.sonix.ai/v1/media -H "Authorization: Bearer <API Key>"  \
    -F file=@my_audio.mp3 \
    -F language=en \
    -F name='Podcast Episode 45' \
    -F keywords='Sonix, Bergamasco, Kairos, Chewbacca' \
    -F custom_data='{"internal_id": "123412", "customer_email": "[email protected]"}'

Consulte el estado o espere el callback

Consulte el objeto media hasta que su estado sea completed, u omita este paso y espere a su callback_url:

curl -XGET https://api.sonix.ai/v1/media/qmnY1nD5 -H "Authorization: Bearer <API Key>"

Obtenga la transcripción sincronizada

Solicite la transcripción en JSON, o cambie la extensión por .srt, .vtt o texto plano:

curl -XGET https://api.sonix.ai/v1/media/qmnY1nD5/transcript.json -H "Authorization: Bearer <API Key>"

¿Grabación en varios idiomas? Indique language=multi y enumere los idiomas previstos en language_hints. La referencia completa de parámetros, los cuerpos de respuesta y los códigos de error están en la documentación de la API.

Crear o contratar: una API de transcripción o Whisper autoalojado

Los modelos de voz de código abierto han convertido la transcripción propia en una opción real, y para algunos equipos es la correcta; para la mayoría, el modelo es la parte más pequeña del trabajo.

Lo que cuesta realmente autoalojar

Descargar el modelo es gratis, pero ponerlo en producción no. Autoalojar implica capacidad de GPU que queda ociosa entre trabajos o se cae con los picos, una cola con reintentos y gestión de fallos, almacenamiento seguro para el audio y monitorización de todo ello. Es un proyecto de infraestructura permanente, con guardias incluidas. Con una API de transcripción, el coste es una tarifa sobre el audio que realmente procesa, y la integración son las tres llamadas de arriba.

Lo que debe construir en torno al modelo

Un modelo de voz en bruto devuelve texto, y los productos necesitan más que texto. Las etiquetas de hablante, la división de subtítulos con límites de velocidad de lectura, la traducción, los subtítulos incrustados, las exportaciones multimedia y los resúmenes son, cada uno, un sistema aparte que construir y mantener alrededor del modelo. La API de Sonix los devuelve todos desde una sola interfaz documentada.

Precisión y mantenimiento de idiomas

Un modelo autoalojado se queda en el checkpoint que usted desplegó, y cada actualización es una migración que usted asume y vuelve a evaluar con su propio audio. Sonix mantiene los modelos que hay detrás de la API, ofrece un 99% de precisión con audio claro en 54+ idiomas, procesa archivos con varios idiomas en una sola petición y admite keywords por petición para orientar el reconocimiento hacia nombres y jerga sin entrenar nada.

El cumplimiento viene con el producto

Si el audio de sus clientes pasa por su pipeline, también pasan sus auditores. Sonix cuenta con la certificación SOC 2 Type II, cumple HIPAA con un BAA firmado y cumple el GDPR con un DPA y SCC. Los datos se cifran con TLS en tránsito y con AES-256 en reposo, y nunca se usan para entrenar modelos. La página de seguridad tiene todos los detalles.

Cuándo tiene sentido autoalojar

Autoalojar gana cuando un contrato prohíbe que el audio salga de su infraestructura, cuando trabaja en entornos aislados (air-gapped) o cuando un equipo de ML personaliza modelos como actividad principal y un volumen constante mantiene ocupadas unas GPU dedicadas. Si nada de eso se aplica a su caso, una API le lleva antes a producción, y una prueba gratuita le muestra la diferencia con su propio audio antes de comprometerse.

Cuatro cosas que se construyen con la API de Sonix

La mayoría de las integraciones siguen uno de estos cuatro patrones, y todos funcionan con los endpoints documentados más arriba.

Flujos de medios y contenidos

Conecte la transcripción a su CMS o a su flujo de video para que cada archivo subido reciba una transcripción con búsqueda y subtítulos SRT o VTT, en el idioma original y traducidos. Los equipos de medios lo usan para que archivos completos se puedan buscar y sean accesibles sin un paso de subtitulado manual.

Plataformas de reuniones y llamadas

Transcriba reuniones y llamadas grabadas con etiquetas de hablante y genere después resúmenes, capítulos y análisis de sentimiento de cada una. Cuando cada hablante está en un canal propio, el endpoint multipista separa con exactitud al agente del cliente, que es justo lo que necesitan las revisiones de calidad y de cumplimiento.

Investigación y análisis

Envíe entrevistas y grupos focales a medida que llegan, reciba transcripciones con hablantes identificados y marcas de tiempo, y ejecute el análisis que necesite sobre cada una. Las marcas de tiempo permiten rastrear cada cita hasta su momento exacto en la grabación original.

Flujos de accesibilidad

Genere subtítulos que respetan límites de presentación reales de caracteres, duración y velocidad de lectura, incrústelos en el video para plataformas que no admiten subtítulos y tradúzcalos para audiencias internacionales. Los equipos sanitarios y del sector público trabajan así sobre la infraestructura de Sonix, con SOC 2 Type II y conforme a HIPAA.

Sin escribir código: el servidor MCP, la CLI y Zapier

No toda integración es una aplicación, así que Sonix también ofrece un servidor MCP para asistentes de IA, una herramienta de línea de comandos y una app de Zapier.

El servidor MCP de Sonix en https://api.sonix.ai/mcp permite que asistentes compatibles con MCP, como Claude, ChatGPT, Cursor y Codex, exploren su biblioteca multimedia, traigan transcripciones a la conversación y generen exportaciones en su nombre. Es de solo lectura, y el inicio de sesión se hace con OAuth 2.1 en su navegador: apruebe la conexión una vez, sin ninguna clave de API que pegar.

Para scripts, la CLI oficial de Sonix (npm install -g @sonix-ai/cli) envuelve la API REST en comandos de terminal, con --wait para esperar a que un trabajo termine, --json para encadenar la salida con otras herramientas y --format para obtener txt, SRT, VTT, JSON o Avid DS. También está pensada para agentes de programación con IA: sonix agent-context imprime todos los comandos como JSON en una sola llamada. La configuración se explica en la documentación de la CLI.

¿Prefiere no escribir nada de código? Sonix en Zapier conecta Sonix con miles de aplicaciones, y la página de integraciones recoge todas las conexiones nativas.

La API cuesta lo mismo que la web

No hay una tarifa aparte para la API: su uso consume las mismas horas que las subidas por la web y se factura según el audio que usted procesa, prorrateado al segundo.

El acceso a la API está incluido en los planes Core, Advanced, Pro y Enterprise. Core cuesta $25 al mes con 5 horas de transcripción y traducción incluidas, y las horas adicionales en cualquier plan cuestan $10 la hora. Los planes Pro y Enterprise añaden webhooks de eventos, para que sus sistemas reaccionen en cuanto una transcripción esté lista. Compare todos los planes en la página de precios.

Seguridad pensada para audio regulado

La API funciona sobre la misma infraestructura que respalda el cumplimiento de SOC 2 Type II, HIPAA y GDPR de Sonix.

Los datos se cifran con TLS en tránsito y con AES-256 en reposo, usted puede generar una nueva clave de API desde su cuenta en cualquier momento, y el audio y las transcripciones de los clientes nunca se usan para entrenar modelos. Las certificaciones y los acuerdos se detallan en la página de seguridad.